CN116705304A - 基于图像文本的多模态任务处理方法、装置、设备及介质 - Google Patents

基于图像文本的多模态任务处理方法、装置、设备及介质 Download PDF

Info

Publication number
CN116705304A
CN116705304A CN202310726710.1A CN202310726710A CN116705304A CN 116705304 A CN116705304 A CN 116705304A CN 202310726710 A CN202310726710 A CN 202310726710A CN 116705304 A CN116705304 A CN 116705304A
Authority
CN
China
Prior art keywords
text
image
sequence
feature
features
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310726710.1A
Other languages
English (en)
Inventor
刘羲
董孟帆
舒畅
陈又新
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202310726710.1A priority Critical patent/CN116705304A/zh
Publication of CN116705304A publication Critical patent/CN116705304A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Abstract

本发明涉及人工智能领域，揭露一种可用于医疗图像和病历文本进行综合分析的基于图像文本的多模态任务处理方法，包括：对文本特征及图像特征分别进行预设头数量的多头注意力加权，得到每个顺序的头对应的文本加权特征及图像加权特征；基于softmax函数对每个顺序的头对应的文本加权特征及图像加权特征进行特征融合，得到每个顺序的头对应的融合特征向量；将所有融合特征向量进行拼接及特征压缩，得到目标融合特征；利用预构建的多模态模型的输出层对目标融合特征进行任务处理，得到任务处理结果。本发明还提出一种基于图像文本的多模态任务处理装置、设备以及介质，可用于医疗领域，提高基于医疗图像及病历文本的多模态任务处理的准确率。

Description

基于图像文本的多模态任务处理方法、装置、设备及介质
技术领域
本发明涉及数字医疗领域，尤其涉及一种基于图像文本的多模态任务处理方法、装置、设备及介质。
背景技术
随着人工智能的发展，单一模态的任务处理逐渐无法满足人们的需要，因此多模态的任务处理(如利用ViLBERT模型进行多模态任务处理)越来越受到人们的重视，尤其是基于图像文本的多模态任务处理(如：数字医疗场景中基于患者的医疗图像及病历文本进行综合的诊断分析，进而根据分析结果对患者进行更有针对性的检查和诊断)。
但是现有的基于图像文本的多模态任务处理，如基于患者的医疗图像及病历文本分析患者病情的多模态任务处理，基于单头注意力特征进行特征提取，无法准确的捕捉文本和图像之间的交互融合特征，导致基于医疗图像及病历文本的多模态任务处理的准确率较低。
发明内容
本发明提供一种基于图像文本的多模态任务处理方法、装置、设备及存储介质，其主要目的在于提高了基于医疗图像及病历文本的多模态任务处理的准确率。
获取待处理任务的文本特征和图像特征；
对所述文本特征进行预设头数量的多头注意力加权，得到每个顺序的头对应的文本加权特征；
对所述图像特征进行所述头数量的多头注意力加权，得到每个顺序的头对应的图像加权特征；
基于softmax函数对每个顺序的头对应的文本加权特征及图像加权特征进行特征融合，得到每个顺序的头对应的融合特征向量；
将所有所述融合特征向量进行拼接，得到初始融合特征，并对所述初始融合特征进行特征压缩，得到目标融合特征；
利用预构建的多模态模型的输出层对所述目标融合特征进行任务处理，得到任务处理结果。
可选地，所述获取待处理任务的文本特征和图像特征，包括：
获取所述待处理任务对应患者的医疗图像及病历文本；
将所述医疗图像转化为向量，得到所述图像特征；
将所述病历文本转化为向量，得到所述文本特征。
可选地，所述将所述医疗图像转化为向量，得到所述图像特征，包括：
将所述医疗图像进行二值化，得到初始特征图像；
将所述初始特征图像每一列像素的灰度值作为该列的图像特征子向量；
将所有所述图像特征子向量按照对应的列在所述初始特征图像中的先后顺序进行组合，得到所述图像特征。
可选地，所述对所述文本特征进行预设头数量的多头注意力加权，得到每个顺序的头对应的文本加权特征，包括：
基于多头注意力机制及所述头数量对所述文本加权特征进行分头注意力加权，得到每个顺序的头对应的文本特征加权信息；
提取每个顺序的头对应的所述文本特征加权信息中的文本查询权重矩阵及文本键权重矩阵，得到每个顺序的头对应的文本查询权重矩阵及文本键权重矩阵；
利用每个顺序的头对应的所述文本查询权重矩阵及所述文本键权重矩阵进行计算，得到每个顺序的头对应的文本加权特征。
可选地，所述基于softmax函数对每个顺序的头对应的文本加权特征及图像加权特征进行特征融合，得到每个顺序的头对应的融合特征向量，包括：
提取每个顺序的头对应的所述文本特征加权信息中的文本值权重矩阵，得到每个顺序的头对应的文本值权重矩阵；
利用每个顺序的头对应的所述文本值权重矩阵及所述文本加权特征进行计算，得到每个顺序的头对应的目标文本特征；
提取每个顺序的头对应的所述图像特征加权信息中的图像值权重矩阵，得到每个顺序的头对应的图像值权重矩阵；
利用每个顺序的头对应的所述图像值权重矩阵及所述图像加权特征进行计算，得到每个顺序的头对应的目标图像特征；
基于每个顺序的头对应的目标文本特征及目标图像特征进行计算，得到每个顺序的头对应的初始融合特征；
将每个顺序的头对应的所述初始融合特征作为softmax函数的参数变量进行计算，得到每个顺序的头对应的融合特征向量。
可选地，所述将所有所述融合特征向量进行拼接，得到初始融合特征，并对所述初始融合特征进行特征压缩，得到目标融合特征，包括：
将所有所述融合特征向量按照对应头的先后顺序组合为张量形式，得到所述初始融合特征；
将所述初始融合特征输入预构建的多层感知机，得到所述目标融合特征。
为了解决上述问题，本发明还提供一种基于图像文本的多模态任务处理装置，所述装置包括：
多头注意力加权模块，用于获取待处理任务的文本特征和图像特征；对所述文本特征进行预设头数量的多头注意力加权，得到每个顺序的头对应的文本加权特征；对所述图像特征进行所述头数量的多头注意力加权，得到每个顺序的头对应的图像加权特征；
特征融合模块，用于基于softmax函数对每个顺序的头对应的文本加权特征及图像加权特征进行特征融合，得到每个顺序的头对应的融合特征向量；将所有所述融合特征向量进行拼接，得到初始融合特征，并对所述初始融合特征进行特征压缩，得到目标融合特征；
任务处理模块，用于利用预构建的多模态模型的输出层对所述目标融合特征进行任务处理，得到任务处理结果。
可选地，所述将所有所述融合特征向量进行拼接，得到初始融合特征，并对所述初始融合特征进行特征压缩，得到目标融合特征，包括：
将所有所述融合特征向量按照对应头的先后顺序组合为张量形式，得到所述初始融合特征；
将所述初始融合特征输入预构建的多层感知机，得到所述目标融合特征。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个计算机程序；及
处理器，执行所述存储器中存储的计算机程序以实现上述所述的基于图像文本的多模态任务处理方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于图像文本的多模态任务处理方法。
本发明实施例中对所述文本特征进行预设头数量的多头注意力加权，得到每个顺序的头对应的文本加权特征；对所述图像特征进行所述头数量的多头注意力加权，得到每个顺序的头对应的图像加权特征；基于softmax函数对每个顺序的头对应的文本加权特征及图像加权特征进行特征融合，得到每个顺序的头对应的融合特征向量；将所有所述融合特征向量进行拼接，得到初始融合特征，基于多头注意力机制进行图像特征与文本特征的特征加权融合，与单头注意力加权相比，每个头都专注于不同的子空间的图像和文本的交互融合特征，特征捕捉的准确，进而提高了基于患者的医疗图像及病历文本的多模态任务处理的准确率，因此本发明实施例提出的基于图像文本的多模态任务处理方法、装置、电子设备及可读存储介质提高了基于患者的医疗图像及病历文本的多模态任务处理的准确率。
附图说明
图1为本发明一实施例提供的基于图像文本的多模态任务处理方法的流程示意图；
图2为本发明一实施例提供的基于图像文本的多模态任务处理装置的模块示意图；
图3为本发明一实施例提供的实现基于图像文本的多模态任务处理方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供一种基于图像文本的多模态任务处理方法。所述基于图像文本的多模态任务处理方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于图像文本的多模态任务处理方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示的本发明一实施例提供的基于图像文本的多模态任务处理方法的流程示意图，在本发明实施例中，所述基于图像文本的多模态任务处理方法包括：
S1、获取待处理任务的文本特征和图像特征；
本发明实施例中所述待处理任务为根据患者的医疗图像和病历文本进行联合分析，以更加准确的给患者进一步地医疗诊断建议，其中，所述文本特征为所述病历文本的向量表示，所述图像特征为所述医疗图像的向量表示。可选地，本发明实施例中所述医疗图像可以为患者的CT图像或者胸片。
为了更加准确的提取待处理任务的医疗图像与病历文本的综合特征以表征患者的病情特征，获取待处理任务的文本特征和图像特征。
详细地，本发明实施例中获取待处理任务的文本特征和图像特征，包括：
获取所述待处理任务对应患者的医疗图像及病历文本；
将所述医疗图像转化为向量，得到所述图像特征；
将所述病历文本转化为向量，得到所述文本特征。
具体地，本发明实施例中将所述医疗图像转化为向量，得到所述图像特征，包括：
将所述医疗图像进行二值化，得到初始特征图像；
将所述初始特征图像每一列像素的灰度值作为该列的图像特征子向量；
将所有所述图像特征子向量按照对应的列在所述初始特征图像中的先后顺序进行组合，得到所述图像特征。
例如：所述初始特征图像共有两列像素，第一列像素的图像特征子向量为第二列像素的图像特征子向量为/>那么所述图像特征为/>
进一步地，本发明实施例中将所述病历文本转化为向量，得到所述文本特征，包括：
对所述病历文本进行分词，得到多个分词词语；
本发明实施例中对分词的具体方法不做限制，如可以使用结巴分词。
将每个所述分词词语转化为向量，得到对应的文本子向量；
具体地，本发明实施例中对将所述述分词词语转化为向量的方法不做具体限制，例如：可用词袋模型将每个所述分词词语转化为向量，得到对应的文本子向量。
将所有所述文本子向量按照对应的分词词语在所述病历文本中的先后顺序进行组合，得到所述文本特征。
例如：所述病历文本为“主诉胸痛”，分词后得到“主诉”、“胸痛”、共二个分词词语，“主诉”对应的文本子向量为“胸痛”对应的文本子向量为/>那么所述文本特征为
S2、对所述文本特征进行预设头数量的多头注意力加权，得到每个顺序的头对应的文本加权特征；
本发明实施例中为了强化所述文本特征不同语义空间的关键特征，对所述文本特征进行预设头数量的多头注意力加权，得到每个顺序的头对应的文本加权特征，其中，所述头数量为预设的进行多头注意力加权的头的数量，所述头数量为大于1的正整数。
具体地，本发明实施例中对所述文本特征进行预设头数量的多头注意力加权，得到每个顺序的头对应的文本加权特征，包括：
基于多头注意力机制及所述头数量对所述文本加权特征进行分头注意力加权，得到每个顺序的头对应的文本特征加权信息，其中，所述文本特征加权信息中包括：文本查询权重矩阵、文本键权重矩阵、文本值权重矩阵；
提取每个顺序的头对应的所述文本特征加权信息中的文本查询权重矩阵及文本键权重矩阵，得到每个顺序的头对应的所述文本查询权重矩阵及所述文本键权重矩阵；
利用每个顺序的头对应的文本查询权重矩阵及文本键权重矩阵进行计算，得到每个顺序的头对应的文本加权特征。
具体地，本发明实施例中所述文本查询权重矩阵、文本键权重矩阵、文本值权重矩阵相当于多头注意力机制中每个头对应的Q、K、V矩阵，在此不在赘述。
进一步地，本发明实施例中利用每个顺序的头对应的文本查询权重矩阵及文本键权重矩阵进行矩阵乘法计算，得到每个顺序的头对应的文本加权特征。
本发明实施例中头的顺序为小于或等于所述头数量的任一正整数，且所有头的数量为所述头数量。
S3、对所述图像特征进行所述头数量的多头注意力加权，得到每个顺序的头对应的图像加权特征；
本发明实施例中为了强化所述图像特征不同语义空间的关键特征，对所述图像特征进行预设头数量的多头注意力加权，得到每个头对应的图像加权特征。
进一步地，本发明实施例中所述对所述图像特征进行所述头数量的多头注意力加权，得到所述头数量范围内每个顺序的头对应的图像加权特征，包括：
基于多头注意力机制及所述头数量对所述图像加权特征进行分头注意力加权，得到每个顺序的头对应的图像特征加权信息，其中，所述图像特征加权信息中包括：图像查询权重矩阵、图像键权重矩阵、图像值权重矩阵；
利用每个所述图像特征加权信息中的图像查询权重矩阵及图像键权重矩阵进行计算，得到每个顺序的头对应的图像加权特征。
与S3类似，本发明实施例中所述图像查询权重矩阵、图像键权重矩阵、图像值权重矩阵相当于多头注意力机制中每个头对应的Q、K、V矩阵，在此不在赘述。
S4、基于softmax函数对每个顺序的头对应的文本加权特征及图像加权特征进行特征融合，得到每个顺序的头对应的融合特征向量；
本发明实施例中为了融合所有语义空间的文本加权特征及图像加权特征，基于softmax函数对相同顺序的头对应的文本加权特征及图像加权特征进行特征融合，得到所述头数量范围内每个顺序的头对应的融合特征向量。
具体地，本发明实施例中所述S4，包括：
提取每个顺序的头对应的所述文本特征加权信息中的文本值权重矩阵，得到每个顺序的头对应的文本值权重矩阵；
利用每个顺序的头对应的所述文本值权重矩阵及所述文本加权特征进行计算，得到每个顺序的头对应的目标文本特征；
提取每个顺序的头对应的所述图像特征加权信息中的图像值权重矩阵，得到每个顺序的头对应的图像值权重矩阵；
利用每个顺序的头对应的所述图像值权重矩阵及所述图像加权特征进行计算，得到每个顺序的头对应的目标图像特征；
基于每个顺序的头对应的目标文本特征及目标图像特征进行计算，得到每个顺序的头对应的初始融合特征；
将每个顺序的头对应的所述初始融合特征作为softmax函数的参数变量进行计算，得到每个顺序的头对应的融合特征向量。
具体地，本发明实施例中利用如下公式计算：
其中，i为头的顺序，Vi为顺序为i的头对应的图像加权特征，为顺序为i的头对应的图像值权重矩阵，Li为顺序为i的头对应的文本加权特征，/>为顺序为i的头对应的文本值权重矩阵，/>为顺序为i的头对应的图像加权特征的特征维度，T为矩阵转置，Mi为顺序为i的头对应的融合特征向量。
S5、将所有所述融合特征向量进行拼接，得到初始融合特征，并对所述初始融合特征进行特征压缩，得到目标融合特征；
本发明实施例中为了获取所述文本特征与所述图像特征的融合特征，将将所有所述融合特征向量进行拼接，得到初始融合特征。
具体地，本发明实施例中将所有所述融合特征向量进行拼接，得到初始融合特征，包括：
将所有所述融合特征向量按照对应头的先后顺序组合为张量形式，得到所述初始融合特征。
进一步，本发明实施例为了更加聚焦所述初始融合特征中的关键特征，对所述初始融合特征进行特征压缩，得到目标融合特征，具体地，本发明实施例利用预构建的多层感知机对所述初始融合特征进行特征压缩转换，得到目标融合特征。
具体地，本发明实施例中所述多层感知机的输入节点数量大于输出节点数量，将所述初始融合特征输入所述多层感知机，得到所述目标融合特征。
本发明实施例中将所有所述融合特征向量进行拼接，得到初始融合特征，并对所述初始融合特征进行特征压缩，得到目标融合特征，将从医疗图像及病历文本两个维度提取的特征进行融合，使得融合得到的目标融合特征可以更准确的表征患者的病情特征，进而提高后续病情分析的准确率。
S6、利用预构建的多模态模型的输出层对所述目标融合特征进行任务处理，得到任务处理结果。
本发明实施例中所述多模态模型可处理与所述待处理任务相同类型任务的vibert模型。
进一步地，本发明实施例中将所述目标交互特征输入所述多模态模型，并将模型的输出结果作为所述任务处理结果，具体地，本发明实施例利用所述多模态模型根据所述目标交互特征向量生成所述患者的病情分析结果即为所述任务处理结果。进一步地，患者可以通过病情分析结果选择更加合适的科室进行进一步地复查和诊疗。如图2所示，是本发明基于图像文本的多模态任务处理装置的功能模块图。
本发明所述基于图像文本的多模态任务处理装置100可以安装于电子设备中。根据实现的功能，所述基于图像文本的多模态任务处理装置可以包括多头注意力加权模块101、特征融合模块102、任务处理模块103，本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述多头注意力加权模块101用于获取待处理任务的文本特征和图像特征；对所述文本特征进行预设头数量的多头注意力加权，得到每个顺序的头对应的文本加权特征；对所述图像特征进行所述头数量的多头注意力加权，得到每个顺序的头对应的图像加权特征；
所述特征融合模块102用于基于softmax函数对每个顺序的头对应的文本加权特征及图像加权特征进行特征融合，得到每个顺序的头对应的融合特征向量；将所有所述融合特征向量进行拼接，得到初始融合特征，并对所述初始融合特征进行特征压缩，得到目标融合特征；
所述任务处理模块103用于利用预构建的多模态模型的输出层对所述目标融合特征进行任务处理，得到任务处理结果。
详细地，本发明实施例中所述基于图像文本的多模态任务处理装置100中所述的各模块在使用时采用与上述图1中所述的基于图像文本的多模态任务处理方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图3所示，是本发明实现基于图像文本的多模态任务处理方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于图像文本的多模态任务处理程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于图像文本的多模态任务处理程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如基于图像文本的多模态任务处理程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述通信总线12可以是外设部件互连标准(perIPheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述通信总线12总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障分类电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
可选地，所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地，所述通信接口13还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的基于图像文本的多模态任务处理程序是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
获取待处理任务的文本特征和图像特征；
对所述文本特征进行预设头数量的多头注意力加权，得到每个顺序的头对应的文本加权特征；
对所述图像特征进行所述头数量的多头注意力加权，得到每个顺序的头对应的图像加权特征；
基于softmax函数对每个顺序的头对应的文本加权特征及图像加权特征进行特征融合，得到每个顺序的头对应的融合特征向量；
将所有所述融合特征向量进行拼接，得到初始融合特征，并对所述初始融合特征进行特征压缩，得到目标融合特征；
利用预构建的多模态模型的输出层对所述目标融合特征进行任务处理，得到任务处理结果。
具体地，所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以是非易失性的，也可以是易失性的。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明实施例还可以提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取待处理任务的文本特征和图像特征；
对所述文本特征进行预设头数量的多头注意力加权，得到每个顺序的头对应的文本加权特征；
对所述图像特征进行所述头数量的多头注意力加权，得到每个顺序的头对应的图像加权特征；
基于softmax函数对每个顺序的头对应的文本加权特征及图像加权特征进行特征融合，得到每个顺序的头对应的融合特征向量；
将所有所述融合特征向量进行拼接，得到初始融合特征，并对所述初始融合特征进行特征压缩，得到目标融合特征；
利用预构建的多模态模型的输出层对所述目标融合特征进行任务处理，得到任务处理结果。
进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于图像文本的多模态任务处理方法，其特征在于，所述方法包括：
获取待处理任务的文本特征和图像特征；
对所述文本特征进行预设头数量的多头注意力加权，得到每个顺序的头对应的文本加权特征；
对所述图像特征进行所述头数量的多头注意力加权，得到每个顺序的头对应的图像加权特征；
基于softmax函数对每个顺序的头对应的文本加权特征及图像加权特征进行特征融合，得到每个顺序的头对应的融合特征向量；
将所有所述融合特征向量进行拼接，得到初始融合特征，并对所述初始融合特征进行特征压缩，得到目标融合特征；
利用预构建的多模态模型的输出层对所述目标融合特征进行任务处理，得到任务处理结果。
2.如权利要求1所述的基于图像文本的多模态任务处理方法，其特征在于，所述获取待处理任务的文本特征和图像特征，包括：
获取所述待处理任务对应患者的医疗图像及病历文本；
将所述医疗图像转化为向量，得到所述图像特征；
将所述病历文本转化为向量，得到所述文本特征。
3.如权利要求2所述的基于图像文本的多模态任务处理方法，其特征在于，所述将所述医疗图像转化为向量，得到所述图像特征，包括：
将所述医疗图像进行二值化，得到初始特征图像；
将所述初始特征图像每一列像素的灰度值作为该列的图像特征子向量；
将所有所述图像特征子向量按照对应的列在所述初始特征图像中的先后顺序进行组合，得到所述图像特征。
4.如权利要求1所述的基于图像文本的多模态任务处理方法，其特征在于，所述对所述文本特征进行预设头数量的多头注意力加权，得到每个顺序的头对应的文本加权特征，包括：
基于多头注意力机制及所述头数量对所述文本加权特征进行分头注意力加权，得到每个顺序的头对应的文本特征加权信息；
提取每个顺序的头对应的所述文本特征加权信息中的文本查询权重矩阵及文本键权重矩阵，得到每个顺序的头对应的文本查询权重矩阵及文本键权重矩阵；
利用每个顺序的头对应的所述文本查询权重矩阵及所述文本键权重矩阵进行计算，得到每个顺序的头对应的文本加权特征。
5.如权利要求4所述的基于图像文本的多模态任务处理方法，其特征在于，所述基于softmax函数对每个顺序的头对应的文本加权特征及图像加权特征进行特征融合，得到每个顺序的头对应的融合特征向量，包括：
提取每个顺序的头对应的所述文本特征加权信息中的文本值权重矩阵，得到每个顺序的头对应的文本值权重矩阵；
利用每个顺序的头对应的所述文本值权重矩阵及所述文本加权特征进行计算，得到每个顺序的头对应的目标文本特征；
提取每个顺序的头对应的所述图像特征加权信息中的图像值权重矩阵，得到每个顺序的头对应的图像值权重矩阵；
利用每个顺序的头对应的所述图像值权重矩阵及所述图像加权特征进行计算，得到每个顺序的头对应的目标图像特征；
基于每个顺序的头对应的目标文本特征及目标图像特征进行计算，得到每个顺序的头对应的初始融合特征；
将每个顺序的头对应的所述初始融合特征作为softmax函数的参数变量进行计算，得到每个顺序的头对应的融合特征向量。
6.如权利要求1至5中任一项所述的基于图像文本的多模态任务处理方法，其特征在于，所述将所有所述融合特征向量进行拼接，得到初始融合特征，并对所述初始融合特征进行特征压缩，得到目标融合特征，包括：
将所有所述融合特征向量按照对应头的先后顺序组合为张量形式，得到所述初始融合特征；
将所述初始融合特征输入预构建的多层感知机，得到所述目标融合特征。
7.一种基于图像文本的多模态任务处理装置，其特征在于，包括：
多头注意力加权模块，用于获取待处理任务的文本特征和图像特征；对所述文本特征进行预设头数量的多头注意力加权，得到每个顺序的头对应的文本加权特征；对所述图像特征进行所述头数量的多头注意力加权，得到每个顺序的头对应的图像加权特征；
特征融合模块，用于基于softmax函数对每个顺序的头对应的文本加权特征及图像加权特征进行特征融合，得到每个顺序的头对应的融合特征向量；将所有所述融合特征向量进行拼接，得到初始融合特征，并对所述初始融合特征进行特征压缩，得到目标融合特征；
任务处理模块，用于利用预构建的多模态模型的输出层对所述目标融合特征进行任务处理，得到任务处理结果。
8.如权利要求1所述的基于图像文本的多模态任务处理装置，其特征在于，所述将所有所述融合特征向量进行拼接，得到初始融合特征，并对所述初始融合特征进行特征压缩，得到目标融合特征，包括：
将所有所述融合特征向量按照对应头的先后顺序组合为张量形式，得到所述初始融合特征；
将所述初始融合特征输入预构建的多层感知机，得到所述目标融合特征。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6中任一项所述的基于图像文本的多模态任务处理方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的基于图像文本的多模态任务处理方法。
CN202310726710.1A 2023-06-16 2023-06-16 基于图像文本的多模态任务处理方法、装置、设备及介质 Pending CN116705304A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310726710.1A CN116705304A (zh) 2023-06-16 2023-06-16 基于图像文本的多模态任务处理方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310726710.1A CN116705304A (zh) 2023-06-16 2023-06-16 基于图像文本的多模态任务处理方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN116705304A true CN116705304A (zh) 2023-09-05

Family

ID=87837176

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310726710.1A Pending CN116705304A (zh) 2023-06-16 2023-06-16 基于图像文本的多模态任务处理方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN116705304A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117523593A (zh) * 2024-01-02 2024-02-06 吉林大学 患者病历数据处理方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117523593A (zh) * 2024-01-02 2024-02-06 吉林大学 患者病历数据处理方法及系统
CN117523593B (zh) * 2024-01-02 2024-03-12 吉林大学 患者病历数据处理方法及系统

Similar Documents

Publication Publication Date Title
CN114462412B (zh) 实体识别方法、装置、电子设备及存储介质
CN115238670B (zh) 信息文本抽取方法、装置、设备及存储介质
WO2023178978A1 (zh) 基于人工智能的处方审核方法、装置、设备及介质
CN116705304A (zh) 基于图像文本的多模态任务处理方法、装置、设备及介质
CN116719904A (zh) 基于图文结合的信息查询方法、装置、设备及存储介质
CN113157864A (zh) 关键信息提取方法、装置、电子设备及介质
CN116680580A (zh) 基于多模态训练的信息匹配方法、装置、电子设备及介质
CN116702776A (zh) 基于跨中西医的多任务语义划分方法、装置、设备及介质
CN115409041B (zh) 一种非结构化数据提取方法、装置、设备及存储介质
CN116681082A (zh) 离散文本语义分段方法、装置、设备及存储介质
CN115982454A (zh) 基于用户画像的问卷推送方法、装置、设备及存储介质
CN113656690B (zh) 产品推荐方法、装置、电子设备及可读存储介质
CN113806540A (zh) 文本打标签方法、装置、电子设备及存储介质
CN114864032B (zh) 基于his系统的临床数据采集方法及装置
CN113704478B (zh) 文本要素提取方法、装置、电子设备及介质
CN116486972A (zh) 电子病历生成方法、装置、设备及存储介质
CN114723523B (zh) 基于用户能力画像的产品推荐方法、装置、设备及介质
CN114723488B (zh) 课程推荐方法、装置、电子设备及存储介质
CN116595175A (zh) 文本分类方法、装置、设备及存储介质
CN116881558A (zh) 基于药品的问卷推送方法、装置、设备及存储介质
CN116383766A (zh) 基于多模态数据的辅诊方法、装置、设备及存储介质
CN116860944A (zh) 对话生成方法、装置、电子设备及介质
CN116796755A (zh) 基于循环一致的跨模态语义对应方法、装置、设备及介质
CN116775852A (zh) 基于标签的数据推荐方法、装置、设备及存储介质
CN116993162A (zh) 防黑产风控决策方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination